基于神经网络的河道浅滩演变预测模型GUI.docVIP

基于神经网络的河道浅滩演变预测模型 上海海事大学控制理论与控制工程专业，上海 摘要：河道浅滩演变是一个复杂的非线性动力学过程，神经网络具有处理非线性问题的优势，在分析影响河道浅滩演变因素的基础上，建立了预测河道浅滩演变的BP模型，并对模型中的输入因子和样本的提取进行了探讨。分别给出了BP网络和RBF网络模型的建模方案，选取了相应的训练样本集，利用该样本集对网络进行学习和训练，利用河道浅滩演变问题数据对两种网络在处理预测问题过程中的性能和特点进行对比，最后给出了两个网络特点的比较分析。 关键词 BP神经网络；RBF神经网络；浅滩演变；预测模型  1 引言 由于河道中的浅滩碍航、滞洪，因此，无论水利还是水运部门都对浅滩的演变规律和浅滩的治理非常重视。浅滩演变是河床演变的一部分，侧重枯水河床变化分析研究。浅滩演变预测的任务是根据过去和现在浅滩演变的情况，预测研究河段浅滩断面年内最小水深和浅滩年平均淤积厚度。目前对浅滩演变预测的泥沙数学模型尽管取得了很大发展，但由于水、沙、边界的复杂性，很难考虑预测中的各种随机因素；物理模型在试验时对水、沙模拟也存在一定的困难，且研究费用高；实测资料分析法，以定性分析和推理为主，所得结论受研究者的经验影响。因此，有必要根据浅滩演变的特点探索浅滩演变预测的新方法。浅滩河段可视为一个非线性动态系统，浅滩的演变实质是系统对输入的水流、泥沙进行调整的结果。神经网络模型具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性，适于非线性问题的研究，因此，神经网络模型的特点正好适合于浅滩演变的预测。 2河道浅滩演变分析 2.1影响因子分析 从航道目的出发，河道浅滩演变预测关注的是浅滩处年平均淤积厚度和浅滩断面年最小水深的大小。因此，预测模型的输出因子是浅滩断面年内最小水深（）和年平均淤积厚度（）， 输入因子的选取与浅滩形成的影响其变化的诸因素有关。从河床演变理论及河流地貌动力学角度，影响浅滩断面年内最小水深和浅滩年平均淤积厚度的主要因素有： （1）上游来流量Q和来流过程Q-t。 （2）上游输沙量G和输沙过程G-t，泥沙组成。 （3）河段比降J。 （4）河床形态和床沙组成。 （5）人类活动的影响。 在上述因素中，前4个因素对不同的河流影响的程度是不同的。对于冲积性平原河流，第1和第2因素起主导作用。对于山区河流，第3和第4两个因素常起主要作用。第5个因素对河段冲淤的影响，视不同影响程度和范围不同。 上述各因素中，河段平均比降难于获取，但是，比降的变化与研究河段的上下游水位密切相关，上、下游输入因子相互独立，因此上游水位不计入输入因子，下游水位（）视为一个输入因子，床沙组成与推移质输沙率密切相关，因为获得长期沙床组成逐年变化的资料不容易，所以选推移质输沙率作为输入因子。河道浅滩演变预测的人工神经网络模型的输入因子有：Q，Q-t，G，，，，。于是，浅滩断面年内最小水深和年平均淤积厚度可表示为： = = 对于具体的研究河段，视问题的具体情况，还可以对上述因子做进一步的取舍。 2.2样本中各因子的获取 在浅滩断面年内最小水深和年平均淤积厚度预测模型建立总，输入和输出因子的获取是关键环节。一般而言，系统输入因子中为水文资料，可从研究河段上下游水文站获取。应用地理信息系统技术和图像处理技术，通过对研究河段多年的地形进行数字化处理，得到数字化冲淤等值图和栅格地图，选取每年的浅滩部位进行统计获取。 由于取年平均情况作为样本因子进行预测计算，所需资料时间系列较长，常常会出现具有代表性的某一年份的地形资料缺测或遗失。可采用水深遥感技术，对缺损地形图的年份进行插补。具体步骤如下： （1）选取缺测年份相邻的前后各一个年份的同期或相近时期的资料。 （2）用缺测年份相邻的前一年和后一年的实测地形资料确定水深遥感模式，并分别反演出两个时期的遥感水深。 （3）对缺测的那一年，采用“借地率定”方法率定水深遥感模式中的系数。 （4）用率定后的水深遥感模式反演缺测的那一年的水下地形。 （5）用相邻的3个年份遥感模式反演缺测的那一年的水下地形。 （6）用相邻的3个年份遥感水深计算两两之间的冲淤值，并在地理信息系统中产生冲淤等值图，供统计浅滩上有关的地理信息。 2.3输入因子确定 本文研究河段为闽江竹岐至侯官河段，对于这一河段，上述影响因子中还需进一步分析选取。这一河段以底沙为主，和的变化主要对悬沙冲淤变化显著的河段影响较大，对底沙冲淤变化为主的河段影响较小，加之预测的是年平均情况，因此和对河床冲淤的影响可忽略不计。就年变化情况预测而言，输入因子中的来流量取年平均流量，来沙量取年总输沙量。河段来沙组成（）,20世纪70年代与80年代基本一致，90年代以后受水口大坝蓄水发电影响，与80年代泥沙组成有所差别，但90年代与2000年的泥沙组成基本一致，预